3D Ischemic Stroke Lesion Segmentation in MRI with Attention U-Net and Voxel-Level Uncertainty Quantification

Chaque année, des millions de personnes à travers le monde souffrent d'un accident vasculaire cérébral (AVC), une interruption soudaine du flux sanguin vers le cerveau qui peut entraîner la mort ou un handicap de longue durée. Lorsqu'un AVC survient, le temps est le facteur le plus critique. Les médecins s'appuient sur l'imagerie par résonance magnétique, ou IRM, pour voir exactement où les dommages se sont produits. Ces scanners produisent des images tridimensionnelles détaillées du cerveau, permettant aux médecins de localiser le tissu lésé, appelé la lésion. Pour traiter efficacement le patient, les médecins doivent mesurer la taille et la forme de cette zone endommagée avec précision. Cependant, le faire manuellement sur un écran d'ordinateur est lent, fastidieux et sujet à l'erreur humaine, surtout lorsque les zones endommagées sont minuscules ou dispersées.

Ces dernières années, les ordinateurs ont appris à effectuer ce travail automatiquement. En utilisant un type d'intelligence artificielle appelée apprentissage profond (deep learning), les machines peuvent désormais scanner les images cérébrales et mettre en évidence les zones endommagées en quelques secondes. Mais il existe un problème important avec la manière dont ces ordinateurs fonctionnent actuellement. Ils agissent comme des experts confiants qui n'admettent jamais être incertains. Lorsqu'un ordinateur trace un contour autour d'un AVC, il donne une réponse unique et définitive sans dire au médecin s'il est absolument sûr de lui ou s'il ne fait que deviner. Dans un contexte médical, ce manque d'honnêteté est dangereux. Un médecin a besoin de savoir non seulement où l'ordinateur pense que se trouve le dommage, mais aussi où l'ordinateur hésite, afin de pouvoir vérifier ces points spécifiques avant de prendre des décisions de vie ou de mort.

Une équipe de chercheurs de l'Université Sidi Mohamed Ben Abdellah au Maroc a développé une nouvelle façon de résoudre ce problème. Ils ont créé un système qui non seulement trouve l'AVC, mais indique également au médecin son degré de confiance dans son propre travail. Leur approche combine un modèle informatique puissant conçu pour voir l'ensemble du cerveau à la fois avec une astuce ingénieuse qui permet au modèle de « réfléchir » à la même image de plusieurs manières légèrement différentes. En comparant ces différentes pensées, le système peut cartographier précisément quelles parties de l'image sont claires et quelles parties sont confuses. Cela permet à l'ordinateur de remettre au médecin une carte de l'AVC accompagnée d'une carte distincte montrant où l'ordinateur est incertain, transformant un simple outil automatisé en un partenaire fiable pour la prise de décision médicale.

Les chercheurs ont testé leur nouveau système sur une vaste collection de scanners cérébraux provenant d'un défi international majeur impliquant des centaines de patients de différents hôpitaux. Ces scanners comprenaient deux types spécifiques d'images qui sont la référence pour détecter les AVC aigus : une montrant où le mouvement de l'eau dans le cerveau est bloqué, et une autre mesurant la facilité avec laquelle l'eau peut circuler à travers les tissus. L'équipe a entraîné son ordinateur à examiner l'ensemble du volume tridimensionnel du cerveau plutôt que de simplement le découper en images bidimensionnelles plates. Ceci est crucial car les AVC ont souvent des formes complexes et irrégulières qui s'étendent sur plusieurs couches du cerveau, et l'examen du volume entier aide l'ordinateur à comprendre la véritable structure de la lésion.

Pour rendre le système conscient de sa propre confiance, les chercheurs ont utilisé une technique appelée « Monte Carlo Dropout ». En termes simples, cela consiste à laisser un petit interrupteur allumé à l'intérieur du cerveau de l'ordinateur pendant l'analyse finale. Normalement, cet interrupteur est éteint une fois que l'ordinateur est entraîné, mais ici, ils l'ont laissé allumé. Cet interrupteur éteint aléatoirement de petites parties du processus de réflexion de l'ordinateur à chaque fois qu'il regarde une image. Parce que l'ordinateur voit la même image à travers des « lentilles » légèrement différentes à chaque fois, il produit une réponse légèrement différente pour chaque regard. Les chercheurs ont demandé à l'ordinateur d'examiner chaque scanner cérébral vingt fois. En faisant la moyenne de ces vingt réponses différentes, l'ordinateur a créé une image finale, plus précise, de l'AVC. Plus important encore, en observant à quel point ces vingt réponses divergeaient les unes des autres, l'ordinateur pouvait calculer un score d'incertitude pour chaque point de l'image.

Les résultats ont montré que cette méthode fonctionne à deux niveaux. Premièrement, l'ordinateur est devenu meilleur pour trouver l'AVC. En utilisant un type spécifique de mécanisme d'attention qui a appris au modèle à se concentrer sur les parties les plus importantes de l'image et à ignorer le tissu cérébral sain, le système a amélioré sa capacité à détecter les zones endommagées. Il a trouvé davantage de tissus d'AVC réels que les méthodes précédentes, ce qui est vital car manquer même une petite partie du tissu cérébral endommagé peut conduire à une mauvaise planification du traitement. Le système a obtenu un score de 0,6816 dans la mesure de la correspondance entre son contour et le véritable dommage, ce qui est le meilleur résultat parmi les méthodes à modèle unique testées sur cet ensemble de données spécifique.

Deuxièmement, et c'est peut-être plus important encore, le système a généré avec succès les cartes d'incertitude. Les chercheurs ont constaté que lorsque l'ordinateur était confiant, ses vingt regards concordaient tous, ce qui entraînait un score d'incertitude faible. Lorsque l'ordinateur était incertain, les vingt regards variaient considérablement, créant un score d'incertitude élevé. Ces scores élevés apparaissaient exactement là où l'ordinateur commettait des erreurs : aux bords flous de l'AVC ou dans les lésions très petites et difficiles à voir. Le système signalait naturellement les AVC les plus petits et les plus complexes comme étant les cas les plus incertains. Cela signifie que dans un véritable hôpital, un médecin pourrait regarder la carte de l'ordinateur et voir immédiatement une zone d'incertitude brillante autour d'un point délicat, sachant que c'est précisément l'endroit qu'il doit examiner de près.

L'étude a également comparé leur modèle informatique unique à d'autres systèmes qui utilisent de nombreux modèles travaillant ensemble, appelés ensembles (ensembles). Bien que ces grands groupes de modèles atteignent parfois une précision légèrement supérieure, ils ne fournissent aucune information sur la confiance. Ils restent des boîtes noires qui donnent une réponse unique sans explication. Le nouveau système de l'équipe marocaine est unique car il est le premier à fournir une carte de confiance détaillée, point par point, pour la segmentation d'AVC en trois dimensions sur ce benchmark. Il prouve qu'un modèle unique, bien conçu, peut être à la fois précis et honnête sur ses limites.

Ce travail représente un changement de paradigme : passer du traitement de l'intelligence artificielle comme une boîte magique qui produit simplement un résultat, à un outil qui communique son raisonnement. Les chercheurs ont démontré qu'en laissant l'ordinateur exprimer son incertitude, ils n'avaient pas à sacrifier la précision. En fait, la méthode a amélioré la détection des petits AVC sans nécessiter de temps d'entraînement supplémentaire ou de changements complexes à l'architecture sous-jacente. Le système est prêt à être utilisé dans un flux de travail où l'ordinateur effectue le gros du travail de balayage de l'image, et le médecin concentre son expertise uniquement sur les zones où l'ordinateur est incertain. Ce partenariat garantit que la rapidité de l'automatisation est combinée à la sécurité de la supervision humaine, une étape nécessaire pour apporter ces technologies dans les hôpitaux du monde réel afin d'aider les patients à se rétablir après un AVC.